CN119415987A 高耗能工业用户负荷分类方法和系统、电子设备、介质 （中国电力科学研究院有限公司）

本发明提供一种高耗能工业用户负荷分类码器对各工业用户日负荷数据进行时间特征提电力消费特征输入自组织映射神经网络确定各目标输出节点为初始聚类中心进行各工业用户2考虑负荷变化特性、负荷利用率和用户的电价敏感性，基于各工业基于卷积自编码器对各工业用户的日负荷数据进行时间特征提取工业用户的负荷时间特征和多维度的负荷特征指标确定每个工业用将各工业用户的电力消费特征输入自组织映射神经网络确定各输入数据映射到的输对于每个工业用户，基于熵权法确定每个工业用户在每个维度的负基于对每个维度的负荷特征指标和对应的指标权重的加权融合基于提取的每个工业用户的负荷时间特征和对应的关键负荷特征确定每个工业用户基于每个工业用户的日负荷数据计算对应的每个维度的负荷特基于每个维度的负荷特征指标的熵，使用指数函数计算每个维;;户的电价敏感性，基于各工业用户的日负荷数据确定各工业用户多维度的负荷特征指标，对于每个工业用户，基于所述工业用户的日负荷数据计算对应的日平均负荷、日负荷3基于所述日平均负荷和所述日最大负荷确定日负荷率，基于所述述日谷时段平均负荷和所述日最大负荷确定将所述日负荷率和所述日负荷峰谷差率作为负荷变化特性对应维度的负荷特征指标，和所述谷时段负荷率作为用户的电价敏感性对应维度的负将所述训练数据输入所述卷积自编码器，通过所述编码器对所述训练通过所述解码器对所述隐藏层特征向量进行反卷积和上采样处理，重基于所述输出数据和对应的输入数据计算损失函数，并基于损将各工业用户的日负荷数据输入训练好的卷积自编码器，提取出经将与各工业用户的历史负荷数据对应的电力消费特征作为训练样基于输出层各输出节点的权重进行各工业用户的电力消费特征其中，所述输入数据为工业用户的电力消费特征，所述输出节对于每个映射输出节点，若确定一个输出节点为当前输出节点邻域若确定一个输出节点不是当前输出节点邻域内的局部密度最在所述输出层网格节点中筛选出具有局部密度和属性距离的多个节点作为所述目标4其中，所述目标节点集合为当前输出节点领域内局部密度高于当确定不同聚类中心数量对应的目标输出节点，以所述目标输出对于每个聚类中心数量，基于对应的初始聚类中心和K均值聚类算法进行各工业用户将所述目标聚类中心数量对应的聚类结果作为各工业用户的负荷基于各工业用户的负荷模式进行各工业用户用电采集各工业用户内部开关类设备日内的控制基于对日内的实时运行数据、日内的实时量测数据和日内的节点筛选模块，用于将各工业用户的电力消费特征输入自组织映入数据映射到的输出节点；基于每个输出节点对应的输入数据的数量筛选出目标输出节聚类模块，用于以所述目标输出节点为初始聚类中5当所述一个或多个程序被所述至少一个处理器执行时，实现如权利要求1至13中任一6[0004]为了克服上述工业负荷聚类过程的聚类效果差和计算量每个工业用户的负荷时间特征和多维度的负荷特征指标确定每个工业用户的电力消费特将各工业用户的电力消费特征输入自组织映射神经网络确定各输入数据映射到基于提取的每个工业用户的负荷时间特征和对应的关键负荷特征确定每个工业7基于每个工业用户的日负荷数据计算对应的每个维度的负荷特;;于所述日谷时段平均负荷和所述日最大负荷确定将所述日负荷率和所述日负荷峰谷差率作为负荷变化特性对应维度的负荷特征负荷率和所述谷时段负荷率作为用户的电价敏感性对[0011]可选地，所述基于卷积自编码器对各工业用户的日负荷8理后的隐藏层低维特征向量作为对应的负荷节点与目标节点集合中各节点之间的最小距离作为当前输在所述输出层网格节点中筛选出具有局部密度和属性距离的多个节点作为所述对于每个聚类中心数量，基于对应的初始聚类中心和K均值聚类算法进行各工业将所述目标聚类中心数量对应的聚类结果作为各工业用户的负荷基于各工业用户的负荷分类结果进行负荷模式分析，确定各工业用户的负荷模基于各工业用户的负荷模式进行各工业用户用电9采集各工业用户内部开关类设备日内的控制本发明提供一种高耗能工业用户负荷分类方法和系统，通过考虑负荷变化特性、用和用户电价敏感等多个维度反映负荷特性，同时利用卷积自编码模型进行时间特征提输入特征的分布情况，并基于每个输出节点对应的输入数据的数量筛选出目标输出节点，基于提取的每个工业用户的负荷时间特征和多维度的负荷特征指标确定每个工业用户的集，表示第i个工业用户在日期k的第m1个采样点的测量值，N是中的日期数，为第i个工业用户在日期k的第m1个采样点的缺失k天的负荷曲线中的第m1-a个采样点的负荷数据，为第k天的负荷曲线中的第基于提取的每个工业用户的负荷时间特征和对应的关键负荷特征确定每个工业基于每个工业用户的日负荷数据计算对应的每个维度的负荷特5）6）于所述日谷时段平均负荷和所述日最大负荷确定将所述日负荷率和所述日负荷峰谷差率作为负荷变化特性对应维度的负荷特征负荷率和所述谷时段负荷率作为用户的电价敏感性对为谷时段负荷率L5来反映用户对电价的敏感性。每个负荷特征指标的计算方式如表1所理后的隐藏层低维特征向量作为对应的负荷C={L,H?={L1,…,LS,q1,…,qs}，L1,…,LS分别表可以克服人为指定的负荷特征指标的主观性以及难以表示负荷曲线中的复杂时间关系的输出节点的激活情况反映了输入数据在特征空间中的分布情况，通过自组织映射神经网网络，Self_OrganizingMapy=(2ya,…,wr,)，wr,表示输出节点(x',y')的第f维度权重。t'其中，表示输出节点(u,v)在第+1次迭代时的权重，表示输出节点在第t'次迭代时的权重，表示第t'次迭代的学习率，其随着迭代次数t'的增加而[0049]重复上述步骤24直到迭代次数达到maxstep，训练结束，节点与目标节点集合中各节点之间的最小距离作为当前输在所述输出层网格节点中筛选出具有局部密度和属性距离的多个节点作为所述初始聚类中心进行各工业用户的电力消费特征的聚类，得到各工业用户的负荷分类结果，对于每个聚类中心数量，基于对应的初始聚类中心和K均值聚类算法进行各工业将所述目标聚类中心数量对应的聚类结果作为各工业用户的负荷[0056]在本示例实施方式中，可以根据实际情况预先配置若干各工业用户的电力消费特征的聚类，得到每种聚类中心数量下的聚类结果。通过对每种聚类中心数量下的聚类结果的聚类性能分析筛选出聚类性能最佳的目标聚类中心数量，并将该目标聚类中心数量对应的聚类结果各工业用户的负荷分类结果。本示例中可以通过观察不同聚类中心数量下聚类结果的Calinski_Harabasz指数（CHI）、Davies_Bouldin指数a表示数据点i1与同类其他点之间的平均距离；ba表示[0059]聚类性能评价负荷聚类期望每种曲线具有较高的类内相似性和较低的类间相似基于各工业用户的负荷分类结果进行负荷模式分析，确定各工业用户的负荷模基于各工业用户的负荷模式进行各工业用户用电采集各工业用户内部开关类设备日内的控制设备如负荷开关或断路器的控制状态数据，通过有线或无线通讯方式采集控制状态数据，[0064]下面以一个具体实施例说明本发明的一种高耗能工业用户负荷分类方法的具体[0073]（10）基于各输出节点对应的输入数据的数量计[0076]（13）评估不同聚类数目下的聚类结果的聚该方法需要故障前一个周波和故障后两个周波的数据，对于数据采集和存储有较高要求，数据的可靠性和准确性，每个行业置信信息包括若干行业细分项及其对应的基准置信值。[0080]本发明针对现有高耗能工业用户负荷特征提取方法中存在的依赖传统统计方法、在实现对高耗能工业用户负荷特征的准确提取，提高负荷管理和优化的科学性和有效性。融合子模块，用于基于对每个维度的负荷特征指标和对应的指标权重的加权融基于每个工业用户的日负荷数据计算对应的每个维度的负荷特;;于所述日谷时段平均负荷和所述日最大负荷确定将所述日负荷率和所述日负荷峰谷差率作为负荷变化特性对应维度的负荷特征负荷率和所述谷时段负荷率作为用户的电价敏感性对理后的隐藏层低维特征向量作为对应的负荷节点与目标节点集合中各节点之间的最小距离作为当前输在所述输出层网格节点中筛选出具有局部密度和属性距离的多个节点作为所述所述目标输出节点对应的权重作为对应聚类中心数量下的初基于各工业用户的负荷分类结果进行负荷模式分析，确定各工业用户的负荷模基于各工业用户的负荷模式进行各工业用户用电采集各工业用户内部开关类设备日内的控制[0100]本发明的高耗能工业用户负荷分类系统通过以上模块对高耗能工业用户负荷特[0101]本发明的高耗能工业用户负荷分类系统架构如图5所示，可以部署在工业园区内安全认证平台保障整体安全性。这种高耗能工业用户负荷特征提取系统的部署和连接方用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field_现上述实施例中一种高耗能工业用户负荷分类方[0107]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特